Un desarrollador deja de explicar el contexto a la IA una y otra vez gracias al flujo de trabajo LLM Wiki

El autor de un blog técnico en Habr ha presentado el flujo de trabajo LLM Wiki. En lugar de volver a explicar el contexto a la red neuronal en cada consulta, el modelo amplía y organiza progresivamente una base de conocimiento en un almacén de Obsidian. Como fuentes para alimentarla se usaron varios artículos del propio Habr, y el procesamiento de tareas se apoya en Codex.

De qué se compone el flujo de trabajo

El sistema combina varias herramientas y tres procesos secuenciales que el autor implementó por su cuenta sobre un vault ya existente de Obsidian.

• Almacén de conocimiento: un vault de Obsidian
• Procesamiento de consultas y generación: a través de Codex
• Fuentes para alimentar la base: varios artículos de Habr
• Tres procesos del pipeline: ingest (carga de materiales), query (consulta a la base) y lint (control de calidad)
• El autor calculó el coste del ingest con el modelo Yandex Foundation Models

Al estructurar el flujo en torno a tres procesos separados (ingest, query y lint), el autor puede repartir responsabilidades: la carga de nuevos materiales, la consulta del conocimiento ya acumulado y la verificación de su calidad funcionan como pasos independientes, no como una única operación monolítica.

En qué se diferencia del RAG convencional

El enfoque RAG clásico busca de nuevo, en cada consulta, los fragmentos relevantes en la base de documentos y los inserta en el prompt. El modelo no recuerda nada entre sesiones y el contexto hay que reconstruirlo desde cero cada vez. En LLM Wiki ocurre lo contrario: el modelo completa y estructura el vault de forma incremental. El resultado de cada consulta responde al usuario y, además, queda guardado en la base de conocimiento como una capa wiki independiente, reutilizable en consultas posteriores sin tener que volver a explicar el contexto.

En el artículo, el autor muestra la estructura del vault y ejemplos de cómo luce esa capa wiki en la práctica, y compara el enfoque resultante con el RAG convencional en comodidad y coste. Según su descripción, la diferencia clave no está en de dónde obtiene el modelo los datos, sino en qué pasa con la respuesta una vez generada: en el RAG clásico se pierde al terminar la sesión, mientras que en LLM Wiki pasa a formar parte de la base para consultas futuras.

Qué riesgos tiene el enfoque

El autor dedica un apartado a los riesgos que aparecen enseguida en la práctica con este enfoque. Entre ellos, el coste de hacer ingest de nuevos materiales de forma continua y la necesidad de un proceso de lint independiente para que la base de conocimiento no se degrade ni acumule entradas contradictorias a medida que crece.

El autor no calculó el coste del ingest en abstracto, sino con un modelo concreto, Yandex Foundation Models. Esto refleja un intento de evaluar la economía del enfoque en la práctica, y no solo de describir su arquitectura sobre el papel.

Qué significa esto

El flujo LLM Wiki plantea una alternativa al RAG tradicional: en vez de reconstruir el contexto cada vez a partir de documentos en bruto, el modelo mantiene una base de conocimiento viva y en constante actualización. Esto puede reducir la cantidad de tokens que se dedican a explicar el contexto, pero exige un control de calidad específico mediante lint para que la base siga siendo fiable.

Para quienes trabajan con LLM sobre grandes volúmenes de preguntas recurrentes, ya sea una base de conocimiento personal en Obsidian o documentación corporativa, este enfoque muestra una vía práctica para reducir el gasto de repetir una y otra vez el mismo contexto en los prompts.